浅谈DCGAN

最新推荐文章于 2024-10-10 16:20:15 发布

medium_hao

最新推荐文章于 2024-10-10 16:20:15 发布

阅读量3.9k

点赞数

文章标签：深度学习

本文链接：https://blog.csdn.net/medium_hao/article/details/79212708

版权

本文介绍了DCGAN（深度卷积生成对抗网络），它是GAN的升级版，利用卷积层提升表现。文章阐述了GAN的基本原理，即生成器G试图欺骗判别器D，而D则尽力区分真实与生成图像。DCGAN的四个关键特点是：D网络使用带步长卷积替代池化层，G网络采用上采样，激活函数为LeakyReLU，以及批量归一化。文中还提及在MNIST数据集上实现DCGAN的过程，并提到 Improved GAN 的思想。作者欢迎读者提出指正和建议。

摘要由CSDN通过智能技术生成

要想讲清楚DCGAN就要必须先说GAN，毕竟DCGAN是前者的升级版。

GAN也就是对抗生成网络，所谓对抗生成，也就是有两个网络，一个D（判别），另一个G（生成）。两个网络的目标函数，是不一样的。G网络的目标函数是让生成的图片，在D网络中尽量判别为真，而D网络的目标就是能最大限度的判别出输入图片，是由G网络生成的，还是非生成的。

DCGAN也是这样的思想，只不过加上了卷积层，来更好的实现。有4个特点：

1、D网络模型，使用的是带步长的卷积取代池化层，进行下采样。

2、G网络模型，使用，进行上采样。

3、激活函数为LeakyReLu

4、使用Batch Normalization标准化

下面展示一下用mnist数据集，实现DCGAN。

导入数据，定义真实输入和噪音向量。

import numpy as np
import tensorflow as tf
import pickle
import matplotlib.pyplot as plt

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets()

def get_inputs(noise_dim, image_height, image_width, image_depth):
    inputs_real = tf.placeholder(tf.float32, [None, image_height, image_width, image_depth], name='inputs_real')
    inputs_noise = tf.placeholder(tf.float32, [None, noise_dim], name='inputs_noise')
    return inputs_real, inputs_noise

定义一个生成网络，也就是G网络。注意只在最后使用Tanh激活函数，其他反卷积层都使用relu激活函数。

def get_generator(noise_img, output_dim, is_train=True):

    with tf.variable_scope("generator", reuse=(not is_train)):
        layer1 = tf.layers.dense(noise_img, 4*4*512)
        layer1 = tf.reshape(layer1, [-1, 4, 4, 512])
        #batch normalization
        layer1 = tf.layers.batch_normalization(layer1, training=is_train)
        layer1 = tf.nn.relu(layer1)
        #dropout
        layer1 = tf.nn.dropout(layer1, keep_prob=0.8)
        #conv
        layer2 = tf.layers.conv2d_transpose(layer1, 256, 4, strides=(1, 1), padding='valid')